CN112257863B - 网络参数确定方法、装置、区块链的节点及存储介质 - Google Patents

网络参数确定方法、装置、区块链的节点及存储介质 Download PDF

Info

Publication number
CN112257863B
CN112257863B CN202011074827.9A CN202011074827A CN112257863B CN 112257863 B CN112257863 B CN 112257863B CN 202011074827 A CN202011074827 A CN 202011074827A CN 112257863 B CN112257863 B CN 112257863B
Authority
CN
China
Prior art keywords
edge node
winning
network parameter
score
determining
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202011074827.9A
Other languages
English (en)
Other versions
CN112257863A (zh
Inventor
仇超
任晓旭
曹一凡
王晓飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin University
Original Assignee
Tianjin University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tianjin University filed Critical Tianjin University
Priority to CN202011074827.9A priority Critical patent/CN112257863B/zh
Publication of CN112257863A publication Critical patent/CN112257863A/zh
Application granted granted Critical
Publication of CN112257863B publication Critical patent/CN112257863B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本公开实施例提供了网络参数确定方法、装置、区块链的节点及存储介质，方法包括：获取获胜边缘节点的第一深度网络参数，第一深度网络参数为获胜边缘节点在当前时刻的深度网络参数；获取多个落选边缘节点的第二深度网络参数，落选边缘节点具有对应的第二深度网络参数，第二深度网络参数为落选边缘节点在当前时刻的深度网络参数；确定获胜边缘节点的当前声誉意见，获胜边缘节点的当前声誉意见用于表征获胜边缘节点在当前时刻的可信任程度；针对每个落选边缘节点，根据第一深度网络参数、落选边缘节点的第二深度网络参数和获胜边缘节点的当前声誉意见确定落选边缘节点的第三深度网络参数，第三深度网络参数为落选边缘节点在下一时刻的深度网络参数。

Description

网络参数确定方法、装置、区块链的节点及存储介质
技术领域
本公开实施例涉及计算机技术领域，更具体地，涉及一种网络参数确定方法、装置、区块链的节点及存储介质。
背景技术
随着人工智能技术特别是深度学习技术的发展，引起了5G时代的一系列变革。基于深度学习的模型训练需要进行大量的计算任务，当前这些计算任务需要交给云端进行处理，这给网络的传输能力和云端计算能力提出了严峻的挑战。
在实现本公开构思的过程中，发明人发现相关技术中至少存在如下问题：采用相关技术实现计算任务耗费的资源较多且响应延迟较长。
发明内容
有鉴于此，本公开实施例提供了一种网络参数确定方法、装置、区块链的节点及存储介质。
本公开实施例的一个方面提供了一种网络参数确定方法，包括：获取获胜边缘节点的第一深度网络参数，其中，上述第一深度网络参数为上述获胜边缘节点在当前时刻的深度网络参数；获取多个落选边缘节点的第二深度网络参数，其中，每个上述落选边缘节点具有对应的第二深度网络参数，每个上述第二深度网络参数为上述落选边缘节点在上述当前时刻的深度网络参数，上述获胜边缘节点和上述多个落选边缘节点属于区块链中的节点；确定上述获胜边缘节点的当前声誉意见，其中，上述获胜边缘节点的当前声誉意见用于表征上述获胜边缘节点在当前时刻的可信任程度；以及，针对多个上述落选边缘节点中的每个落选边缘节点，根据上述获胜边缘节点的第一深度网络参数、上述落选边缘节点的第二深度网络参数和上述获胜边缘节点的当前声誉意见，确定上述落选边缘节点的第三深度网络参数，上述第三深度网络参数为上述落选边缘节点在下一时刻的深度网络参数。
根据本公开的实施例，上述确定上述获胜边缘节点的当前声誉意见，包括：获取多个时刻的第一得分集，其中，每个上述时刻具有对应的第一得分集，每个上述第一得分集包括多个第一得分，每个上述第一得分为每个上述落选边缘节点在上述时刻对上述获胜边缘节点进行打分得到的，上述多个时刻包括上述当前时刻和上述当前时刻之前的多个时刻；基于第一主观逻辑模型处理多个上述第一得分集，得到上述获胜边缘节点在各个上述时刻的声誉意见；以及，根据上述获胜边缘节点在各个上述时刻的声誉意见，确定上述获胜边缘节点的当前声誉意见。
根据本公开的实施例，上述第一得分的类别包括积极得分或消极得分；
上述基于第一主观逻辑模型处理多个上述第一得分集，得到各个上述时刻上述获胜边缘节点的声誉意见，包括：针对多个上述第一得分集中的每个第一得分集，确定上述第一得分集中积极得分的数量；根据上述积极得分的数量、上述得分的数量和上述获胜边缘节点在上述时刻的不确定程度，确定上述获胜边缘节点在上述时刻的信任程度；以及，根据上述获胜边缘节点在各个上述时刻的信任程度和不确定程度，得到上述获胜边缘节点在各个上述时刻的声誉意见。
根据本公开的实施例，通过如下公式确定每个上述第一得分：
Figure GDA0002801431310000021
其中，
Figure GDA0002801431310000022
表示落选边缘节点n在时刻tk对获胜边缘节点w的打分，n∈{0，1，......，N-1，N}，k∈{0，1，......，T-1，T}，N表示落选边缘节点的数量，T表示时刻的数量，positive effect表示积极得分，negative effect表示消极得分；
通过如下公式确定上述获胜边缘节点在上述时刻的信任程度：
Figure GDA0002801431310000023
其中，
Figure GDA0002801431310000024
表示获胜边缘节点w在时刻tk的信任程度，
Figure GDA0002801431310000025
表示与时刻tk对应的第一得分集中积极得分的数量，
Figure GDA0002801431310000026
通过如下公式确定上述获胜边缘节点在上述时刻的不确定程度：
Figure GDA0002801431310000027
其中，
Figure GDA0002801431310000028
表示获胜边缘节点w在时刻tk的不确定程度，
Figure GDA0002801431310000029
表示获胜边缘节点w在时刻tk通信成功的概率；
通过如下公式确定上述获胜边缘节点在各个上述时刻的声誉意见：
Figure GDA0002801431310000031
其中，α表示不确定程度所占比重，α∈[0，1]；
通过如下公式确定上述获胜边缘节点的当前声誉意见：
Figure GDA0002801431310000032
其中，
Figure GDA0002801431310000033
表示获胜边缘节点w的当前声誉意见，γ表示新鲜度衰落系数，γ∈[0，1]。
根据本公开的实施例，还包括：根据每个上述第一得分集和预设比较规则，确定与每个上述第一得分对应的第二得分，其中，上述第二得分为智能合约在上述时刻对上述获胜边缘节点进行打分得到的；根据上述第二得分和与上述第二得分对应的第一得分，确定每个第三得分，其中，每个上述第三得分为上述智能合约在上述时刻对每个上述落选边缘节点进行打分得到的；基于第二主观逻辑模型处理多个第三得分集，得到每个上述落选边缘节点在各个上述时刻的声誉意见，其中，每个上述时刻具有对应的第三得分集，每个上述第三得分集包括多个上述第三得分；以及，根据每个上述落选边缘节点在各个上述时刻的声誉意见，确定每个上述落选边缘节点的当前声誉意见，其中，每个上述落选边缘节点的当前声誉用于表征上述落选边缘节点在当前时刻的可信任程度。
根据本公开的实施例，上述基于第二主观逻辑模型处理多个第三得分集，得到每个上述落选边缘节点在各个上述时刻的声誉意见，包括：针对上述多个第三得分集中的每个第三得分集，确定上述第三得分集中积极得分的数量；针对上述多个落选边缘节点中的每个落选边缘节点，根据上述落选边缘节点在每个上述时刻的第三得分、上述落选边缘节点在上述时刻的上一时刻的第三得分集中积极得分的数量和上述落选边缘节点在上述时刻的不确定程度，确定上述落选边缘节点在上述时刻的信任程度；以及，根据上述落选边缘节点在各个上述时刻的信任程度和不确定程度，得到上述落选边缘节点在各个上述时刻的声誉意见。
根据本公开的实施例，通过如下公式确定上述第二得分：
Figure GDA0002801431310000041
其中，
Figure GDA0002801431310000042
表示获胜边缘节点w在时刻tk的第二得分，k∈{0，1，......，T-1，T}，
Figure GDA0002801431310000043
表示落选边缘节点n在时刻tk对获胜边缘节点w的打分，
Figure GDA0002801431310000044
n∈{0，1，......，N-1，N}，N表示落选边缘节点的数量，T表示时刻的数量，positive effect表示积极得分，negative effect表示消极得分，NMH表示边缘节点的总数量；
通过如下公式确定每个上述第三得分：
Figure GDA0002801431310000045
其中，
Figure GDA0002801431310000046
表示落选边缘节点n在时刻tk的第三得分；
通过如下公式确定上述落选边缘节点在上述时刻的信任程度：
Figure GDA0002801431310000047
其中，
Figure GDA0002801431310000048
表示落选边缘节点n在时刻tk的信任程度，
Figure GDA0002801431310000049
表示落选边缘节点n在时刻tk的上一时刻tk-1的第三得分集中积极得分的数量，
Figure GDA00028014313100000410
通过如下公式确定上述落选边缘节点在上述时刻的不确定程度：
Figure GDA00028014313100000411
其中，
Figure GDA00028014313100000412
表示落选边缘节点n在时刻tk的不确定程度，
Figure GDA00028014313100000413
表示落选边缘节点n在时刻tk通信成功的概率；
通过如下公式确定每个上述落选边缘节点在各个上述时刻的声誉意见：
Figure GDA00028014313100000414
其中，α表示不确定程度所占比重，α∈[0，1]；
通过如下公式确定每个上述落选边缘节点的当前声誉意见：
Figure GDA0002801431310000051
其中，
Figure GDA0002801431310000052
表示落选边缘节点n的当前声誉意见，γ表示新鲜度衰落系数，γ∈[0，1]。
根据本公开的实施例，上述根据上述获胜边缘节点的第一深度网络参数、上述落选边缘节点的第二深度网络参数和上述获胜边缘节点的当前声誉意见，确定上述落选边缘节点的第三深度网络参数，包括：确定上述获胜边缘节点的第一深度网络参数和当前声誉意见的乘积，得到乘积结果；确定上述乘积结果和上述落选边缘节点的第二深度网络参数的相加之和；以及，将上述相加之和确定为上述落选边缘节点的第三深度网络参数。
根据本公开的实施例，上述获胜边缘节点对应的深度网络的损失函数的输出值小于其他上述落选边缘节点对应的深度网络的损失函数的输出值。
本公开实施例的另一个方面提供了一种网络参数确定装置，包括：第一获取模块，用于获取获胜边缘节点的第一深度网络参数，其中，上述第一深度网络参数为上述获胜边缘节点在当前时刻的深度网络参数；第二获取模块，用于获取多个落选边缘节点的第二深度网络参数，其中，每个上述落选边缘节点具有对应的第二深度网络参数，每个上述第二深度网络参数为上述落选边缘节点在上述当前时刻的深度网络参数，上述获胜边缘节点和上述多个落选边缘节点属于区块链中的节点；第一确定模块，用于确定上述获胜边缘节点的当前声誉意见，其中，上述获胜边缘节点的当前声誉意见用于表征上述获胜边缘节点在当前时刻的可信任程度；以及，第二确定模块，用于针对多个上述落选边缘节点中的每个落选边缘节点，根据上述获胜边缘节点的第一深度网络参数、上述落选边缘节点的第二深度网络参数和上述获胜边缘节点的当前声誉意见，确定上述落选边缘节点的第三深度网络参数，上述第三深度网络参数为上述落选边缘节点在下一时刻的深度网络参数。
本公开实施例的另一个方面提供了一种区块链中的节点，包括：一个或多个处理器；存储器，用于存储一个或多个程序，其中，当上述一个或多个程序被上述一个或多个处理器执行时，使得上述一个或多个处理器实现如上所述的方法。
本公开实施例的另一个方面提供了一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器实现如上所述的方法。
本公开实施例的另一个方面提供了一种计算机程序，所述计算机程序包括计算机可执行指令，所述指令在被执行时用于实现如上所述的方法。
根据本公开的实施例，通过获取获胜边缘节点的第一深度网络参数，第一深度网络参数为获胜边缘节点在当前时刻的深度网络参数，获取多个落选边缘节点的第二深度网络参数，每个落选边缘节点具有对应的第二深度网络参数，每个第二深度网络参数为落选边缘节点在当前时刻的深度网络参数，获胜边缘节点和多个落选边缘节点属于区块链中的节点，确定获胜边缘节点的当前声誉意见，获胜边缘节点的当前声誉意见用于表征获胜边缘节点在当前时刻的可信任程度，并针对多个落选边缘节点中的每个落选边缘节点，根据获胜边缘节点的第一深度网络参数、落选边缘节点的第二深度网络参数和获胜边缘节点的当前声誉意见，确定落选边缘节点的第三深度网络参数，第三深度网络参数为落选边缘节点在下一时刻的深度网络参数。由于获胜边缘节点和多个落选边缘节点属于区块链中的节点，基于区块链技术将具有较高声誉意见的获胜边缘节点训练得到的第一深度网络参数分享给其他落选边缘节点，其他落选边缘节点基于获胜边缘节点的当前声誉意见实现部分采用获胜边缘节点的第一深度网络参数，因此，至少部分地克服了采用相关技术实现计算任务耗费的资源较多且响应延迟较长的技术问题。此外，由于其他落选边缘节点根据获胜边缘节点的当前声誉意见部分采用其第一深度网络参数，因此，减少了资源浪费和提高了安全性。
附图说明
通过以下参照附图对本公开实施例的描述，本公开的上述以及其他目的、特征和优点将更为清楚，在附图中：
图1示意性示出了根据本公开实施例的一种网络参数确定方法的流程图；
图2示意性示出了根据本公开实施例的网络参数确定方法的示意图；
图3示意性示出了根据本公开实施例的一种网络参数确定装置的框图；以及
图4示意性示出了根据本公开实施例的适于实现网络参数确定方法的区块链的节点的框图。
具体实施方式
以下，将参照附图来描述本公开的实施例。但是应该理解，这些描述只是示例性的，而并非要限制本公开的范围。在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而，明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本公开的概念。
在此使用的术语仅仅是为了描述具体实施例，而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在，但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义，除非另外定义。应注意，这里使用的术语应解释为具有与本说明书的上下文相一致的含义，而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。在使用类似于“A、B或C等中至少一个”这样的表述的情况下，一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如，“具有A、B或C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
在实现本公开构思的过程中，发明人发现采用相关技术中的计算模式存在耗费的云端资源较多和业务响应延迟较长等问题，并且这些问题已经逐渐成为诸多技术的发展瓶颈，特别是在一些时延敏感的应用场景中。
为了解决相关技术中存在的上述问题，发明人发现边缘智能作为下一代通信网络的关键技术之一，可以提供有效的解决方案。边缘智能是指边缘节点在边缘侧提供的高级数据分析、场景感知、实时决策、自组织与协同等服务。由于传统的边缘智能技术通常只利用单一的边缘设备进行深度网络的训练，而网络边缘设备的资源有限，例如，计算资源和存储资源等有限，因此，训练效率较低。
此外，由于边缘节点的训练学习环境具有开放性、异构性和相互不信任的特点，因此，传统的边缘智能技术通常只利用单一的边缘设备进行深度网络的训练且较难以提供可信的边缘智能服务。但由于网络边缘设备的资源有限，例如，计算资源和存储资源等有限，因此，训练效率较低。
发明人发现如果可以实现边缘设备的共享和交互，则可以有效解决上述问题。但由于边缘节点的训练环境具有开放性、异构性和相互不信任的特点，因此，较难以提供可信的边缘智能服务。例如，如果有恶意节点接入边缘智能系统，在边缘智能系统中传播不正确的训练模型，则将影响整个边缘智能系统的正常运行。
发明人发现由于区块链具有安全地、可追溯地和去中心化地数据共享能力，因此，可以采用区块链实现模型训练。此外，发明人还发现深度神经网络具有可迁移性，因此，可以采用基于区块链的合作边缘智能的技术方案，即在多个边缘节点之间，采用区块链技术实现多个边缘节点之间的合作边缘智能，也即每个轻量级的边缘设备训练部分深度网络，得到边缘智能，即深度网络的训练结果(即深度网络的网络结构)，基于区块链技术将每个边缘设备的边缘智能进行分布式地存储和共享，基于每个边缘设备的边缘智能，实现整体智能。所谓基于区块链技术将每个边缘设备的边缘智能进行分布式地共享可以理解为允许获胜边缘节点(即“挖矿”的胜利节点)提交区块，并将本地的深度网络的网络结构发布到其他落选边缘节点，以使其他落选边缘节点进行验证以达成共识，在达成共识的情况下，其他落选边缘节点采用获胜边缘节点训练得到的深度网络的网络结构，其他落选边缘节点的数量可以为至少两个。
在实现本公开构思的过程中，发明人发现由于其他落选边缘节点均采用获胜边缘节点的训练结果，而丢弃本地自身的训练结果，因此，会造成训练资源的浪费且安全性较低。这是由于落选边缘节点训练模型也耗费了资源，因此，如果落选边缘节点采用获胜边缘节点的训练结果而丢弃自身的训练结构，则会造成训练资源的浪费。并且由于完全相信其他边缘节点(即获胜边缘节点)的训练结果，因此，安全性较低。为了解决上述问题，本公开实施例提供了一种基于声誉意见的可信边缘智能解决方案，其他落选边缘节点根据获胜边缘节点的当前声誉意见部分采用其训练结果。由于具有较高声誉意见的获胜边缘节点会被采用较大比例的训练结果，从而获得较多的奖励，因此，可以实现可信的边缘智能解决方案。
根据本公开的实施例，每个边缘节点本地训练的深度网络的结构是相同的。基于上述，其他落选边缘节点基于声誉意见采用获胜边缘节点的训练结果即是其他落选边缘节点基于声誉意见采用获胜边缘节点训练得到的深度网络参数。深度网络参数可以包括网络权重。
具体地，本公开的实施例提供了一种网络参数确定方法、装置、区块链的节点及存储介质。该方法包括网络参数确定过程。在网络参数确定过程中，获取获胜边缘节点的第一深度网络参数和多个落选边缘节点的第二深度网络参数，第一深度网络参数为获胜边缘节点在当前时刻的深度网络参数，每个落选边缘节点具有对应的第二深度网络参数，每个第二深度网络参数为落选边缘节点在当前时刻的深度网络参数，获胜边缘节点和多个落选边缘节点属于区块链中的节点，确定获胜边缘节点的当前声誉意见，获胜边缘节点的当前声誉意见用于表征获胜边缘节点在当前时刻的可信任程度，针对多个落选边缘节点中的每个落选边缘节点，根据获胜边缘节点的第一深度网络参数、落选边缘节点的第二深度网络参数和获胜边缘节点的当前声誉意见，确定落选边缘节点的第三深度网络参数，第三深度网络参数为落选边缘节点在下一时刻的深度网络参数。
图1示意性示出了根据本公开实施例的一种网络参数确定方法的流程图。
如图1所示，该方法包括操作S110～S140。
在操作S110，获取获胜边缘节点的第一深度网络参数，其中，第一深度网络参数为获胜边缘节点在当前时刻的深度网络参数。
在操作S120，获取多个落选边缘节点的第二深度网络参数，其中，每个落选边缘节点具有对应的第二深度网络参数，每个第二深度网络参数为落选边缘节点在当前时刻的深度网络参数，获胜边缘节点和多个落选边缘节点属于区块链中的节点。
在本公开的实施例中，获胜边缘节点和多个落选边缘节点均为区块链中的节点。获胜边缘节点和落选边缘节点均会在本地进行深度网络的训练，以得到对应的深度网络参数。获胜边缘节点和落选边缘节点并不是固定的，即当前时刻某个边缘节点可能为获胜边缘节点，在下一时刻，可能该边缘节点就变成了落选边缘节点。其中，在当前时刻，获胜边缘节点的深度网络参数可以称为第一深度网络参数，落选边缘节点的深度网络参数可以称为第二深度网络参数。为了实现基于区块链的边缘智能，需要进行本地的深度网络的训练。在本公开的实施例中，可以采用传统的深度学习算法进行本地深度网络的训练。
在操作S130，确定获胜边缘节点的当前声誉意见，其中，获胜边缘节点的当前声誉意见用于表征获胜边缘节点在当前时刻的可信任程度。
在本公开的实施例中，声誉意见可以用于表征边缘节点在对应时刻的可信任程度，可以反映边缘节点长期的行为。可以获取多个时刻的第一得分集，每个时刻具有对应的第一得分集，每个第一得分集包括多个第一得分，每个第一得分为每个落选边缘节点在时刻对获胜边缘节点进行打分得到的，多个时刻包括当前时刻和当前时刻之前的多个时刻，基于第一主观逻辑模型处理多个第一得分集，得到获胜边缘节点在各个时刻的声誉意见，并根据获胜边缘节点在各个时刻的声誉意见，确定获胜边缘节点的当前声誉意见。
在操作S140，针对多个落选边缘节点中的每个落选边缘节点，根据获胜边缘节点的第一深度网络参数、落选边缘节点的第二深度网络参数和获胜边缘节点的当前声誉意见，确定落选边缘节点的第三深度网络参数，其中，第三深度网络参数为落选边缘节点在下一时刻的深度网络参数。
在本公开的实施例中，为了确定多个落选边缘节点中的每个落选边缘节点在下一时刻的深度网络参数，可以确定获胜边缘节点的第一深度网络参数和当前声誉意见的乘积，得到乘积结果，确定乘积结果和该落选边缘节点的第二深度网络参数的相加之和，并将相加之和确定为该落选边缘节点的第三深度网络参数。
需要说明的是，本公开实施例中的确定获胜边缘节点的当前声誉意见可以由被触发的智能合约实现。
根据本公开实施例的技术方案，通过获取获胜边缘节点的第一深度网络参数，第一深度网络参数为获胜边缘节点在当前时刻的深度网络参数，获取多个落选边缘节点的第二深度网络参数，每个落选边缘节点具有对应的第二深度网络参数，每个第二深度网络参数为落选边缘节点在当前时刻的深度网络参数，获胜边缘节点和多个落选边缘节点属于区块链中的节点，确定获胜边缘节点的当前声誉意见，获胜边缘节点的当前声誉意见用于表征获胜边缘节点在当前时刻的可信任程度，并针对多个落选边缘节点中的每个落选边缘节点，根据获胜边缘节点的第一深度网络参数、落选边缘节点的第二深度网络参数和获胜边缘节点的当前声誉意见，确定落选边缘节点的第三深度网络参数，第三深度网络参数为落选边缘节点在下一时刻的深度网络参数。由于获胜边缘节点和多个落选边缘节点属于区块链中的节点，基于区块链技术将具有较高声誉意见的获胜边缘节点训练得到的第一深度网络参数分享给其他落选边缘节点，其他落选边缘节点基于获胜边缘节点的当前声誉意见实现部分采用获胜边缘节点的第一深度网络参数，因此，至少部分地克服了采用相关技术实现计算任务耗费的资源较多且响应延迟较长的技术问题。此外，由于其他落选边缘节点根据获胜边缘节点的当前声誉意见部分采用其第一深度网络参数，因此，减少了资源浪费和提高了安全性。
可选地，在上述技术方案的基础上，确定获胜边缘节点的当前声誉意见，可以包括如下操作。
获取多个时刻的第一得分集，其中，每个时刻具有对应的第一得分集，每个第一得分集包括多个第一得分，每个第一得分为每个落选边缘节点在时刻对获胜边缘节点进行打分得到的，多个时刻包括当前时刻和当前时刻之前的多个时刻。基于第一主观逻辑模型处理多个第一得分集，得到获胜边缘节点在各个时刻的声誉意见。根据获胜边缘节点在各个时刻的声誉意见，确定获胜边缘节点的当前声誉意见。
在本公开的实施例中，获胜边缘节点的当前声誉意见可以基于获胜边缘节点在各个时刻的声誉意见确定。可以获取多个时刻的第一得分集，每个时刻具有对应的第一得分集，每个第一得分集可以包括多个第一得分，每个第一得分为每个落选边缘节点在对应时刻对获胜边缘节点进行打分得到的，每个第一得分集所包括的第一得分的数量与落选边缘节点的数量相同。多个时刻可以为预设时段内的多个时刻，多个时刻可以包括当前时刻和当前时刻之前的多个时刻。示例性的，如包括T个时刻，多个时刻可以包括当前时刻和当前时刻之前的T1个时刻。
根据本公开的实施例，主观逻辑是关于“一种关于真实世界的主观信任操作的逻辑”的可信度模型，并引入事实空间和观念空间来描述和度量信任关系。主观逻辑定量地定义了信任程度的表示、计算与组合方法。可以基于第一主观逻辑模型处理多个第一得分集，得到获胜边缘节点在各个时刻的声誉意见，在此基础上，根据获胜边缘节点在各个时刻的声誉意见，确定获胜边缘节点的当前声誉意见，可以包括：确定获胜边缘节点在各个时刻的声誉意见的加权求和结果，将加权求和结果确定为获胜边缘节点的当前声誉意见。
可选地，在上述技术方案的基础上，第一得分的类别包括积极得分或消极得分。
基于第一主观逻辑模型处理多个第一得分集，得到各个时刻获胜边缘节点的声誉意见，可以包括如下操作。
针对多个第一得分集中的每个第一得分集，确定第一得分集中积极得分的数量。根据积极得分的数量、得分的数量和获胜边缘节点在时刻的不确定程度，确定获胜边缘节点在时刻的信任程度。根据获胜边缘节点在各个时刻的信任程度和不确定程度，得到获胜边缘节点在各个时刻的声誉意见。
在本公开的实施例中，第一得分的类别可以包括积极得分或消极得分。示例性的，如积极得分可以用1表征，消极得分可以用0表征。获胜边缘节点在对应时刻的不确定程度可以由获胜边缘节点在对应时刻通信成功的概率确定。
针对每个第一得分集中的每个第一得分，可以确定第一得分的类别，即确定第一得分是属于积极得分，还是属于消极得分，进而可以确定第一得分集中积极得分的数量，相应的，也可以确定第一得分集中消极得分的数量。基于上述方式，可以确定全部第一得分集中每个第一得分集所包括的积极得分的数量。由于第一得分集是与时刻对应的，因此，可以获得与各个时刻对应的积极得分的数量。
在确定各个时刻对应的积极得分的数量后，针对每个时刻(即针对每个第一得分集)，可以根据该时刻中积极得分的数量、得分的数量和获胜边缘节点在该时刻的不确定程度，确定该获胜边缘节点在该时刻的信任程度。在此基础上，根据该获胜边缘节点在各个时刻的信任程度和不确定程度，确定该获胜边缘节点在该时刻的声誉意见。基于上述方式，可以确定获胜边缘节点在各个时刻的声誉意见。
可选地，在上述技术方案的基础上，可以通过如下公式确定每个第一得分：
Figure GDA0002801431310000121
其中，
Figure GDA0002801431310000122
表示落选边缘节点n在时刻tk对获胜边缘节点w的打分，n∈{0，1，......，N-1，N}，k∈{0，1，......，T-1，T}，N表示落选边缘节点的数量，T表示时刻的数量，positive effect表示积极得分，negative effect表示消极得分。
可以通过如下公式确定获胜边缘节点在时刻的信任程度：
Figure GDA0002801431310000123
其中，
Figure GDA0002801431310000124
表示获胜边缘节点w在时刻tk的信任程度，
Figure GDA0002801431310000125
表示与时刻tk对应的第一得分集中积极得分的数量，
Figure GDA0002801431310000126
NMH表示边缘节点的总数量。
可以通过如下公式确定获胜边缘节点在时刻的不确定程度：
Figure GDA0002801431310000127
其中，
Figure GDA0002801431310000128
表示获胜边缘节点w在时刻tk的不确定程度，
Figure GDA0002801431310000129
表示获胜边缘节点w在时刻tk通信成功的概率。
可以通过如下公式确定获胜边缘节点在各个时刻的声誉意见：
Figure GDA00028014313100001210
其中，α表示不确定程度所占比重，α∈[0，1]。
可以通过如下公式确定获胜边缘节点的当前声誉意见：
Figure GDA0002801431310000131
其中，
Figure GDA0002801431310000132
表示获胜边缘节点w的当前声誉意见，γ表示新鲜度衰落系数，γ∈[0，1]。
在本公开的实施例中，落选边缘节点n在采用获胜边缘节点w的第一深度网络参数后，需要对获胜边缘节点w的信任程度进行打分，以防恶意边缘节点共享错误的训练结果，打分标准如公式(1)。在完成落选边缘节点对获胜边缘节点的打分后，智能合约将被触发，智能合约被触发后，可以实现确定获胜边缘节点的当前声誉意见的功能。
根据本公开的实施例，智能合约可以通过公式(2)～公式(5)实现确定获胜边缘节点的当前声誉意见。
需要说明的是，获胜边缘节点w在时刻tk的不信任程度可以用
Figure GDA0002801431310000133
表征，其中，
Figure GDA0002801431310000134
Figure GDA0002801431310000135
表示与时刻tk对应的第一得分集中消极得分的数量，
Figure GDA0002801431310000136
Figure GDA0002801431310000137
γ表示新鲜度衰落系数，说明在时间上越靠近时刻tk所对应的声誉意见对时刻tk的声誉意见的影响比例越大。
可选地，在上述技术方案的基础上，该方法还可以包括如下操作。
根据每个第一得分集和预设比较规则，确定与每个第一得分对应的第二得分，其中，第二得分为智能合约在时刻对获胜边缘节点进行打分得到的。根据第二得分和与第二得分对应的第一得分，确定每个第三得分，其中，每个第三得分为智能合约在时刻对每个落选边缘节点进行打分得到的。基于第二主观逻辑模型处理多个第三得分集，得到每个落选边缘节点在各个时刻的声誉意见，其中，每个时刻具有对应的第三得分集，每个第三得分集包括多个第三得分。根据每个落选边缘节点在各个时刻的声誉意见，确定每个落选边缘节点的当前声誉意见，其中，每个落选边缘节点的当前声誉用于表征落选边缘节点在当前时刻的可信任程度。
在本公开的实施例中，智能合约被触发后，智能合约还可以实现向采用获胜边缘节点的训练结果的落选边缘节点收取费用的功能。向采用获胜边缘节点的训练结果的落选边缘节点收取费用的方式可以为如果
Figure GDA0002801431310000141
则对落选边缘节点n收取费用。如果
Figure GDA0002801431310000142
则无需对落选边缘节点n收取费用。
由于获胜边缘节点可能会发生变化，即当前时刻的获胜边缘节点可能成为下一时刻的落选边缘节点，相应的，当前时刻的落选边缘节点可能成为下一时刻的获胜边缘节点，因此，需要确定落选边缘节点的当前声誉意见，以便确定下一时刻的获胜边缘节点和落选边缘节点。此外，为了尽量避免落选边缘节点为了躲避付费而对获胜边缘节点恶意打分，也需要确定落选边缘节点的当前声誉意见。需要说明的是，确定落选边缘节点的当前声誉意见可以由智能合约实现，即智能合约还可以实现确定落选边缘节点的当前声誉意见的功能。基于上述，本公开实施例所述的智能合约可以实现确定获胜边缘节点的当前声誉意见、确定落选边缘节点的当前声誉意见和向采用获胜边缘节点的训练结果的落选边缘节点收取费用的功能。
根据本公开的实施例，针对多个时刻中的每个时刻，根据预设比较规则和与该时刻对应的第一得分集，确定与该第一得分集中的每个第一得分对应的第二得分。第二得分可以理解为是智能合约在该时刻对获胜边缘节点进行打分得到的。预设比较规则可以为少数服从多数的规则，即将第一得分集中积极得分的数量与边缘节点的总数量的二分之一进行比较的规则。
在获得各个第二得分后，在每个时刻，针对每个落选边缘节点，可以比较与该落选边缘节点对应的第一得分和第二得分是否一致，根据比较结果，确定与落选边缘节点对应的第三得分，上述过程可以理解为智能合约在该时刻对落选边缘节点进行打分的过程。基于上述方式，可以获得全部落选边缘节点在各个时刻对应的第三得分。
在获得多个第三得分集后，可以基于第二主观逻辑模型处理多个第三得分集，得到每个落选边缘节点在各个时刻的声誉意见，在此基础上，根据每个落选边缘节点在各个时刻的声誉意见，确定该落选边缘节点的当前声誉意见，可以包括：确定该落选边缘节点在各个时刻的声誉意见的加权求和结果，将加权求和结果确定为该落选边缘节点的当前声誉意见。
可选地，在上述技术方案的基础上，基于第二主观逻辑模型处理多个第三得分集，得到每个落选边缘节点在各个时刻的声誉意见，可以包括如下操作。
针对多个第三得分集中的每个第三得分集，确定第三得分集中积极得分的数量。针对多个落选边缘节点中的每个落选边缘节点，根据落选边缘节点在每个时刻的第三得分、落选边缘节点在时刻的上一时刻的第三得分集中积极得分的数量和落选边缘节点在时刻的不确定程度，确定落选边缘节点在时刻的信任程度。根据落选边缘节点在各个时刻的信任程度和不确定程度，得到落选边缘节点在各个时刻的声誉意见。
在本公开的实施例中，落选边缘节点在对应时刻的不确定程度可以由落选边缘节点在对应时刻通信成功的概率确定。
针对每个第三得分集中的每个第三得分，可以确定第三得分的类别，即确定第三得分是属于积极得分，还是属于消极得分，进而可以确定第三得分集中积极得分的数量，相应的，也可以确定第三得分集中消极得分的数量。基于上述方式，可以确定全部第三得分集中每个第三得分集所包括的积极得分的数量。由于第三得分集是与时刻对应的，因此，可以获得与各个时刻对应的积极得分的数量。
在确定各个时刻对应的积极得分的数量后，针对多个落选边缘节点中的每个落选边缘节点，在每个时刻(即针对每个第三得分集)的情况下，可以根据该落选边缘节点在该时刻的积极得分的数量、得分的数量、该落选边缘节点在该时刻的上一时刻的第三得分集中积极得分的数量和该落选边缘节点在该时刻的不确定程度，确定该落选边缘节点在该时刻的信任程度。在此基础上，根据该落选边缘节点在各个时刻的信任程度和不确定程度，确定该落选边缘节点在该时刻的声誉意见。基于上述方式，可以确定落选边缘节点在各个时刻的声誉意见。
可选地，在上述技术方案的基础上，可以通过如下公式确定第二得分：
Figure GDA0002801431310000151
其中，
Figure GDA0002801431310000152
表示获胜边缘节点w在时刻tk的第二得分，k∈{0，1，......，T-1，T}，
Figure GDA0002801431310000153
表示落选边缘节点n在时刻tk对获胜边缘节点w的打分，
Figure GDA0002801431310000154
n∈{0，1，......，N-1，N}，N表示落选边缘节点的数量，T表示时刻的数量，positive effect表示积极得分，negative effect表示消极得分，NMH表示边缘节点的总数量。
可以通过如下公式确定每个第三得分：
Figure GDA0002801431310000161
其中，
Figure GDA0002801431310000162
表示落选边缘节点n在时刻tk的第三得分。
可以通过如下公式确定落选边缘节点在时刻的信任程度：
Figure GDA0002801431310000163
其中，
Figure GDA0002801431310000164
表示落选边缘节点n在时刻tk的信任程度，
Figure GDA0002801431310000165
表示落选边缘节点n在时刻tk的上一时刻tk-1的第三得分集中积极得分的数量，
Figure GDA0002801431310000166
可以通过如下公式确定落选边缘节点在时刻的不确定程度：
Figure GDA0002801431310000167
其中，
Figure GDA0002801431310000168
表示落选边缘节点n在时刻tk的不确定程度，
Figure GDA0002801431310000169
表示落选边缘节点n在时刻tk通信成功的概率。
可以通过如下公式确定每个落选边缘节点在各个时刻的声誉意见：
Figure GDA00028014313100001610
其中，α表示不确定程度所占比重，α∈[0，1]。
可以通过如下公式确定每个落选边缘节点的当前声誉意见：
Figure GDA00028014313100001611
其中，
Figure GDA00028014313100001612
表示落选边缘节点n的当前声誉意见，γ表示新鲜度衰落系数，γ∈[0，1]。
在本公开的实施例中，智能合约可以通过公式(6)～公式(11)实现确定各个落选边缘节点的当前声誉意见。
需要说明的是，落选边缘节点n在时刻tk的不信任程度可以用
Figure GDA00028014313100001613
表征，其中，
Figure GDA0002801431310000171
Figure GDA0002801431310000172
表示与时刻tk-1对应的第三得分集中消极得分的数量，
Figure GDA0002801431310000173
Figure GDA0002801431310000174
γ表示新鲜度衰落系数，说明在时间上越靠近时刻tk所对应的声誉意见对时刻tk的声誉意见的影响比例越大。
可选地，在上述技术方案的基础上，根据获胜边缘节点的第一深度网络参数、落选边缘节点的第二深度网络参数和获胜边缘节点的当前声誉意见，确定落选边缘节点的第三深度网络参数，可以包括如下操作。
确定获胜边缘节点的第一深度网络参数和当前声誉意见的乘积，得到乘积结果。确定乘积结果和落选边缘节点的第二深度网络参数的相加之和。将相加之和确定为落选边缘节点的第三深度网络参数。
在本公开的实施例中，
Figure GDA0002801431310000175
其中，
Figure GDA0002801431310000176
表示落选边缘节点n在时刻tk的下一时刻tk+1的第三深度网络参数，
Figure GDA0002801431310000177
表示落选边缘节点n在时刻tk的第二深度网络参数，
Figure GDA0002801431310000178
表示获胜边缘节点w在时刻tk的第一深度网络参数，
Figure GDA0002801431310000179
表示获胜边缘节点w在时刻tk的当前声誉意见。
可选地，在上述技术方案的基础上，获胜边缘节点对应的深度网络的损失函数的输出值小于其他落选边缘节点对应的深度网络的损失函数的输出值。
在本公开的实施例中，可以采用传统的深度学习算法进行本地深度网络的训练。
针对多个边缘节点中的每个边缘节点，该边缘节点采用训练样本进行深度网络训练，得到训练完成后的深度网络参数。将该边缘节点的深度网络参数打包到该边缘节点的本地交易中，本地交易可以包括该边缘节点训练得到的损失函数。深度网络的训练过程即是不断最小化损失函数的输出值的过程，即损失函数的输出值越小，深度网络越优化。由此，损失函数的输出值最小的深度网络相对是最优化的深度网络，如果将最优化的深度网络进行分享，则可以进一步提高其他边缘节点的训练收敛速度。基于上述，在多个边缘节点中，将深度网络的损失函数的输出值最小的边缘节点确定为获胜边缘节点，其他边缘节点确定为落选边缘节点。
根据本公开的实施例，由于获胜边缘节点是多个边缘节点中深度网络的损失函数的输出值最小的边缘节点，因此，将获胜边缘节点的深度网络(即深度网络参数)进行分享，进一步提高了其他边缘节点的训练收敛速度。
根据本公开的实施例，为了更好地理解本公开实施例所提供的技术方案，下面结合图2～图4进行说明。图2示意性示出了根据本公开实施例的网络参数确定方法的示意图。每个边缘节点在本地进行深度网络的训练，得到深度网络参数和损失函数的输出值，根据损失函数的输出值从多个边缘节点中确定获胜边缘节点，获胜边缘节点生成待校验区块并进行共享，其他落选边缘节点对待校验区块进行校验，经过校验后，获胜边缘节点的深度网络参数被其他落选边缘节点部分采用，智能合约被触发，智能合约确定获胜边缘节点的当前声誉意见和落选边缘节点的当前声誉意见。
图3示意性示出了根据本公开的实施例的一种网络参数确定装置的框图。
如图3所示，网络参数确定装置300可以包括第一获取模块310、第二获取模块320、第一确定模块330和第四确定模块340。
第一获取模块310、第二获取模块320、第一确定模块330和第四确定模块340通信连接。
第一获取模块310，用于获取获胜边缘节点的第一深度网络参数，其中，第一深度网络参数为获胜边缘节点在当前时刻的深度网络参数。
第二获取模块320，用于获取多个落选边缘节点的第二深度网络参数，其中，每个落选边缘节点具有对应的第二深度网络参数，每个第二深度网络参数为落选边缘节点在当前时刻的深度网络参数，获胜边缘节点和多个落选边缘节点属于区块链中的节点。
第一确定模块330，用于确定获胜边缘节点的当前声誉意见，其中，获胜边缘节点的当前声誉意见用于表征获胜边缘节点在当前时刻的可信任程度。
第二确定模块340，用于针对多个落选边缘节点中的每个落选边缘节点，根据获胜边缘节点的第一深度网络参数、落选边缘节点的第二深度网络参数和获胜边缘节点的当前声誉意见，确定落选边缘节点的第三深度网络参数，其中，第三深度网络参数为落选边缘节点在下一时刻的深度网络参数。
根据本公开实施例的技术方案，通过获取获胜边缘节点的第一深度网络参数，第一深度网络参数为获胜边缘节点在当前时刻的深度网络参数，获取多个落选边缘节点的第二深度网络参数，每个落选边缘节点具有对应的第二深度网络参数，每个第二深度网络参数为落选边缘节点在当前时刻的深度网络参数，获胜边缘节点和多个落选边缘节点属于区块链中的节点，确定获胜边缘节点的当前声誉意见，获胜边缘节点的当前声誉意见用于表征获胜边缘节点在当前时刻的可信任程度，并针对多个落选边缘节点中的每个落选边缘节点，根据获胜边缘节点的第一深度网络参数、落选边缘节点的第二深度网络参数和获胜边缘节点的当前声誉意见，确定落选边缘节点的第三深度网络参数，第三深度网络参数为落选边缘节点在下一时刻的深度网络参数。由于获胜边缘节点和多个落选边缘节点属于区块链中的节点，基于区块链技术将具有较高声誉意见的获胜边缘节点训练得到的第一深度网络参数分享给其他落选边缘节点，其他落选边缘节点基于获胜边缘节点的当前声誉意见实现部分采用获胜边缘节点的第一深度网络参数，因此，至少部分地克服了采用相关技术实现计算任务耗费的资源较多且响应延迟较长的技术问题。此外，由于其他落选边缘节点根据获胜边缘节点的当前声誉意见部分采用其第一深度网络参数，因此，减少了资源浪费和提高了安全性。
可选地，在上述技术方案的基础上，第一确定模块330可以包括第一获取子模块、第一获得子模块和第一确定子模块。
第一获取子模块，用于获取多个时刻的第一得分集，其中，每个时刻具有对应的第一得分集，每个第一得分集包括多个第一得分，每个第一得分为每个落选边缘节点在时刻对获胜边缘节点进行打分得到的，多个时刻包括当前时刻和当前时刻之前的多个时刻。
第一获得子模块，用于基于第一主观逻辑模型处理多个第一得分集，得到获胜边缘节点在各个时刻的声誉意见。
第一确定子模块，用于根据获胜边缘节点在各个时刻的声誉意见，确定获胜边缘节点的当前声誉意见。
可选地，在上述技术方案的基础上，第一得分的类别包括积极得分或消极得分。
第一获得子模块可以包括第一确定单元、第二确定单元和获得单元。
第一确定单元，用于针对多个第一得分集中的每个第一得分集，确定第一得分集中积极得分的数量。
第二确定单元，用于根据积极得分的数量、得分的数量和获胜边缘节点在时刻的不确定程度，确定获胜边缘节点在时刻的信任程度。
获得单元，用于根据获胜边缘节点在各个时刻的信任程度和不确定程度，得到获胜边缘节点在各个时刻的声誉意见。
可选地，在上述技术方案的基础上，通过如下公式确定每个第一得分：
Figure GDA0002801431310000201
其中，
Figure GDA0002801431310000202
表示落选边缘节点n在时刻tk对获胜边缘节点w的打分，n∈{0，1，......，N-1，N}，k∈{0，1，......，T-1，T}，N表示落选边缘节点的数量，T表示时刻的数量，positive effect表示积极得分，negative effect表示消极得分。
通过如下公式确定获胜边缘节点在时刻的信任程度：
Figure GDA0002801431310000203
其中，
Figure GDA0002801431310000204
表示获胜边缘节点w在时刻tk的信任程度，
Figure GDA0002801431310000205
表示与时刻tk对应的第一得分集中积极得分的数量，
Figure GDA0002801431310000206
通过如下公式确定获胜边缘节点在时刻的不确定程度：
Figure GDA0002801431310000207
其中，
Figure GDA0002801431310000208
表示获胜边缘节点w在时刻tk的不确定程度，
Figure GDA0002801431310000209
表示获胜边缘节点w在时刻tk通信成功的概率。
通过如下公式确定获胜边缘节点在各个时刻的声誉意见：
Figure GDA00028014313100002010
其中，α表示不确定程度所占比重，α∈[0，1]。
通过如下公式确定获胜边缘节点的当前声誉意见：
Figure GDA00028014313100002011
其中，
Figure GDA00028014313100002012
表示获胜边缘节点w的当前声誉意见，γ表示新鲜度衰落系数，γ∈[0，1]。
可选地，在上述技术方案的基础上，该网络参数确定装置300还可以包括第三确定模块、第四确定模块、获得模块和第五确定模块。
第三确定模块，用于根据每个第一得分集和预设比较规则，确定与每个第一得分对应的第二得分，其中，第二得分为智能合约在时刻对获胜边缘节点进行打分得到的。
第四确定模块，用于根据第二得分和与第二得分对应的第一得分，确定每个第三得分，其中，每个第三得分为智能合约在时刻对每个落选边缘节点进行打分得到的。
获得模块，用于基于第二主观逻辑模型处理多个第三得分集，得到每个落选边缘节点在各个时刻的声誉意见，其中，每个时刻具有对应的第三得分集，每个第三得分集包括多个第三得分。以及
第五确定模块，用于根据每个落选边缘节点在各个时刻的声誉意见，确定每个落选边缘节点的当前声誉意见，其中，每个落选边缘节点的当前声誉用于表征落选边缘节点在当前时刻的可信任程度。
可选地，在上述技术方案的基础上，获得模块可以包括：
第二确定子模块，用于针对多个第三得分集中的每个第三得分集，确定第三得分集中积极得分的数量。
第三确定子模块，用于针对多个落选边缘节点中的每个落选边缘节点，根据落选边缘节点在每个时刻的第三得分、落选边缘节点在时刻的上一时刻的第三得分集中积极得分的数量和落选边缘节点在时刻的不确定程度，确定落选边缘节点在时刻的信任程度。
第二获得子模块，用于根据落选边缘节点在各个时刻的信任程度和不确定程度，得到落选边缘节点在各个时刻的声誉意见。
可选地，在上述技术方案的基础上，通过如下公式确定第二得分：
Figure GDA0002801431310000211
其中，
Figure GDA0002801431310000212
表示获胜边缘节点w在时刻tk的第二得分，k∈{0，1，......，T-1，T}，
Figure GDA0002801431310000213
表示落选边缘节点n在时刻tk对获胜边缘节点w的打分，
Figure GDA0002801431310000214
n∈{0，1，......，N-1，N}，N表示落选边缘节点的数量，T表示时刻的数量，positive effect表示积极得分，negative effect表示消极得分，NMH表示边缘节点的总数量。
通过如下公式确定每个第三得分：
Figure GDA0002801431310000215
其中，
Figure GDA0002801431310000221
表示落选边缘节点n在时刻tk的第三得分。
通过如下公式确定落选边缘节点在时刻的信任程度：
Figure GDA0002801431310000222
其中，
Figure GDA0002801431310000223
表示落选边缘节点n在时刻tk的信任程度，
Figure GDA0002801431310000224
表示落选边缘节点n在时刻tk的上一时刻tk-1的第三得分集中积极得分的数量，
Figure GDA0002801431310000225
通过如下公式确定落选边缘节点在时刻的不确定程度：
Figure GDA0002801431310000226
其中，
Figure GDA0002801431310000227
表示落选边缘节点n在时刻tk的不确定程度，
Figure GDA0002801431310000228
表示落选边缘节点n在时刻tk通信成功的概率。
通过如下公式确定每个落选边缘节点在各个时刻的声誉意见：
Figure GDA0002801431310000229
其中，α表示不确定程度所占比重，α∈[0，1]。
通过如下公式确定每个落选边缘节点的当前声誉意见：
Figure GDA00028014313100002210
其中，
Figure GDA00028014313100002211
表示落选边缘节点n的当前声誉意见，γ表示新鲜度衰落系数，γ∈[0，1]。
可选地，在上述技术方案的基础上，第二确定模块340可以包括第四确定子模块、第五确定子模块和第六确定子模块。
第四确定子模块，用于确定获胜边缘节点的第一深度网络参数和当前声誉意见的乘积，得到乘积结果。
第五确定子模块，用于确定乘积结果和落选边缘节点的第二深度网络参数的相加之和。
第六确定子模块，用于将相加之和确定为落选边缘节点的第三深度网络参数。
可选地，在上述技术方案的基础上，获胜边缘节点对应的深度网络的损失函数的输出值小于其他落选边缘节点对应的深度网络的损失函数的输出值。
根据本公开的实施例的模块、子模块、单元中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本公开实施例的模块、子模块、单元中的任意一个或多个可以被拆分成多个模块来实现。根据本公开实施例的模块、子模块、单元中的任意一个或多个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(Field ProgrammableGate Array，FPGA)、可编程逻辑阵列(Programmable Logic Arrays，PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(Application Specific Integrated Circuit，ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，根据本公开实施例的模块、子模块、单元中的一个或多个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。
例如，第一获取模块310、第二获取模块320、第一确定模块330和第四确定模块340中的任意多个可以合并在一个模块/子模块/单元中实现，或者其中的任意一个模块/子模块/单元可以被拆分成多个模块/子模块/单元。或者，这些模块/子模块/单元中的一个或多个模块/子模块/单元的至少部分功能可以与其他模块/单元/子单元的至少部分功能相结合，并在一个模块/单元/子单元中实现。根据本公开的实施例，第一获取模块310、第二获取模块320、第一确定模块330和第四确定模块340中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，第一获取模块310、第二获取模块320、第一确定模块330和第四确定模块340中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。
需要说明的是，本公开的实施例中网络参数确定装置部分与本公开的实施例中网络参数确定方法部分是相对应的，网络参数确定装置部分的描述具体参考网络参数确定方法部分，在此不再赘述。
图4示意性示出了根据本公开实施例的适于实现上文描述的方法的区块链的节点的框图。图4示出的区块链的节点仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图4所示，根据本公开实施例的区块链的节点400包括处理器401，其可以根据存储在只读存储器(Read-Only Memory，ROM)402中的程序或者从存储部分408加载到随机访问存储器(Random Access Memory，RAM)403中的程序而执行各种适当的动作和处理。处理器401例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))，等等。处理器401还可以包括用于缓存用途的板载存储器。处理器401可以包括用于执行根据本公开实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 403中，存储有区块链的节点400操作所需的各种程序和数据。处理器401、ROM 402以及RAM 403通过总线404彼此相连。处理器401通过执行ROM 402和/或RAM 403中的程序来执行根据本公开实施例的方法流程的各种操作。需要注意，所述程序也可以存储在除ROM 402和RAM 403以外的一个或多个存储器中。处理器401也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本公开实施例的方法流程的各种操作。
根据本公开的实施例，区块链的节点400还可以包括输入/输出(I/O)接口405，输入/输出(I/O)接口405也连接至总线404。区块链的节点400还可以包括连接至I/O接口405的以下部件中的一项或多项：包括键盘、鼠标等的输入部分406；包括诸如阴极射线管(CRT)、液晶显示器(Liquid Crystal Display，LCD)等以及扬声器等的输出部分407；包括硬盘等的存储部分408；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分409。通信部分409经由诸如因特网的网络执行通信处理。驱动器410也根据需要连接至I/O接口405。可拆卸介质411，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器410上，以便于从其上读出的计算机程序根据需要被安装入存储部分408。
根据本公开的实施例，根据本公开实施例的方法流程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读存储介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分409从网络上被下载和安装，和/或从可拆卸介质411被安装。在该计算机程序被处理器401执行时，执行本公开实施例的系统中限定的上述功能。根据本公开的实施例，上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
本公开还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的；也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本公开实施例的方法。
根据本公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质。例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM(Erasable Programmable Read Only Memory)或闪存)、便携式紧凑磁盘只读存储器(Computer Disc Read-Only Memory，CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
例如，根据本公开的实施例，计算机可读存储介质可以包括上文描述的ROM 402和/或RAM 403和/或ROM 402和RAM 403以外的一个或多个存储器。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合，即使这样的组合或结合没有明确记载于本公开中。特别地，在不脱离本公开精神和教导的情况下，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本公开的范围。
以上对本公开的实施例进行了描述。但是，这些实施例仅仅是为了说明的目的，而并非为了限制本公开的范围。尽管在以上分别描述了各实施例，但是这并不意味着各个实施例中的措施不能有利地结合使用。本公开的范围由所附权利要求及其等同物限定。不脱离本公开的范围，本领域技术人员可以做出多种替代和修改，这些替代和修改都应落在本公开的范围之内。

Claims (12)

1.一种网络参数确定方法，包括：
获取获胜边缘节点的第一深度网络参数，其中，所述第一深度网络参数为所述获胜边缘节点在当前时刻的深度网络参数；
获取多个落选边缘节点的第二深度网络参数，其中，每个所述落选边缘节点具有对应的第二深度网络参数，每个所述第二深度网络参数为所述落选边缘节点在所述当前时刻的深度网络参数，所述获胜边缘节点和所述多个落选边缘节点属于区块链中的节点，其中，深度网络的损失函数的输出值最小的边缘节点确定为所述获胜边缘节点，其他边缘节点确定为所述落选边缘节点；
确定所述获胜边缘节点的当前声誉意见，其中，所述获胜边缘节点的当前声誉意见用于表征所述获胜边缘节点在当前时刻的可信任程度；以及
针对多个所述落选边缘节点中的每个落选边缘节点，根据所述获胜边缘节点的第一深度网络参数、所述落选边缘节点的第二深度网络参数和所述获胜边缘节点的当前声誉意见，确定所述落选边缘节点的第三深度网络参数，其中，所述第三深度网络参数为所述落选边缘节点在下一时刻的深度网络参数。
2.根据权利要求1所述的方法，其中，所述确定所述获胜边缘节点的当前声誉意见，包括：
获取多个时刻的第一得分集，其中，每个所述时刻具有对应的第一得分集，每个所述第一得分集包括多个第一得分，每个所述第一得分为每个所述落选边缘节点在所述时刻对所述获胜边缘节点进行打分得到的，所述多个时刻包括所述当前时刻和所述当前时刻之前的多个时刻；
基于第一主观逻辑模型处理多个所述第一得分集，得到所述获胜边缘节点在各个所述时刻的声誉意见；以及
根据所述获胜边缘节点在各个所述时刻的声誉意见，确定所述获胜边缘节点的当前声誉意见。
3.根据权利要求2所述的方法，其中，所述第一得分的类别包括积极得分或消极得分；
所述基于第一主观逻辑模型处理多个所述第一得分集，得到各个所述时刻所述获胜边缘节点的声誉意见，包括：
针对多个所述第一得分集中的每个第一得分集，确定所述第一得分集中积极得分的数量；
根据所述积极得分的数量、所述得分的数量和所述获胜边缘节点在所述时刻的不确定程度，确定所述获胜边缘节点在所述时刻的信任程度；以及
根据所述获胜边缘节点在各个所述时刻的信任程度和不确定程度，得到所述获胜边缘节点在各个所述时刻的声誉意见。
4.根据权利要求3所述的方法，其中，通过如下公式确定每个所述第一得分：
Figure QLYQS_1
其中，
Figure QLYQS_2
表示落选边缘节点n在时刻tk对获胜边缘节点w的打分，n∈{0，1，......，N-1，N}，k∈{0，1，......，T-1，T}，N表示落选边缘节点的数量，T表示时刻的数量，positive effect表示积极得分，negative effect表示消极得分；
通过如下公式确定所述获胜边缘节点在所述时刻的信任程度：
Figure QLYQS_3
其中，
Figure QLYQS_4
表示获胜边缘节点w在时刻tk的信任程度，
Figure QLYQS_5
表示与时刻tk对应的第一得分集中积极得分的数量，
Figure QLYQS_6
NMH表示边缘节点的总数量，s表示智能合约，其中，所述智能合约是在完成落选边缘节点n在时刻tk对获胜边缘节点w的打分后被触发的；
通过如下公式确定所述获胜边缘节点在所述时刻的不确定程度：
Figure QLYQS_7
其中，
Figure QLYQS_8
表示获胜边缘节点w在时刻tk的不确定程度，
Figure QLYQS_9
表示获胜边缘节点w在时刻tk通信成功的概率；
通过如下公式确定所述获胜边缘节点在各个所述时刻的声誉意见：
Figure QLYQS_10
其中，α表示不确定程度所占比重，α∈[0，1]；
通过如下公式确定所述获胜边缘节点的当前声誉意见：
Figure QLYQS_11
其中，
Figure QLYQS_12
表示获胜边缘节点w的当前声誉意见，γ表示新鲜度衰落系数，γ∈[0，1]。
5.根据权利要求2所述的方法，还包括：
根据每个所述第一得分集和预设比较规则，确定与每个所述第一得分对应的第二得分，其中，所述第二得分为智能合约在所述时刻对所述获胜边缘节点进行打分得到的；
根据所述第二得分和与所述第二得分对应的第一得分，确定每个第三得分，其中，每个所述第三得分为所述智能合约在所述时刻对每个所述落选边缘节点进行打分得到的；
基于第二主观逻辑模型处理多个第三得分集，得到每个所述落选边缘节点在各个所述时刻的声誉意见，其中，每个所述时刻具有对应的第三得分集，每个所述第三得分集包括多个所述第三得分；以及
根据每个所述落选边缘节点在各个所述时刻的声誉意见，确定每个所述落选边缘节点的当前声誉意见，其中，每个所述落选边缘节点的当前声誉用于表征所述落选边缘节点在当前时刻的可信任程度。
6.根据权利要求5所述的方法，其中，所述基于第二主观逻辑模型处理多个第三得分集，得到每个所述落选边缘节点在各个所述时刻的声誉意见，包括：
针对所述多个第三得分集中的每个第三得分集，确定所述第三得分集中积极得分的数量；
针对所述多个落选边缘节点中的每个落选边缘节点，根据所述落选边缘节点在每个所述时刻的第三得分、所述落选边缘节点在所述时刻的上一时刻的第三得分集中积极得分的数量和所述落选边缘节点在所述时刻的不确定程度，确定所述落选边缘节点在所述时刻的信任程度；以及
根据所述落选边缘节点在各个所述时刻的信任程度和不确定程度，得到所述落选边缘节点在各个所述时刻的声誉意见。
7.根据权利要求6所述的方法，其中，通过如下公式确定所述第二得分：
Figure QLYQS_13
其中，
Figure QLYQS_14
表示获胜边缘节点w在时刻tk的第二得分，k∈{0，1，......，T-1，T}，
Figure QLYQS_15
表示落选边缘节点n在时刻tk对获胜边缘节点w的打分，
Figure QLYQS_16
N表示落选边缘节点的数量，T表示时刻的数量，positive effect表示积极得分，negative effect表示消极得分，NMH表示边缘节点的总数量，s表示智能合约，其中，所述智能合约是在完成落选边缘节点n在时刻tk对获胜边缘节点w的打分后被触发的；
通过如下公式确定每个所述第三得分：
Figure QLYQS_17
其中，
Figure QLYQS_18
表示落选边缘节点n在时刻tk的第三得分；
通过如下公式确定所述落选边缘节点在所述时刻的信任程度：
Figure QLYQS_19
其中，
Figure QLYQS_20
表示落选边缘节点n在时刻tk的信任程度，
Figure QLYQS_21
表示落选边缘节点n在时刻tk的上一时刻tk-1的第三得分集中积极得分的数量，
Figure QLYQS_22
通过如下公式确定所述落选边缘节点在所述时刻的不确定程度：
Figure QLYQS_23
其中，
Figure QLYQS_24
表示落选边缘节点n在时刻tk的不确定程度，
Figure QLYQS_25
表示落选边缘节点n在时刻tk通信成功的概率；
通过如下公式确定每个所述落选边缘节点在各个所述时刻的声誉意见：
Figure QLYQS_26
其中，α表示不确定程度所占比重，α∈[0，1]；
通过如下公式确定每个所述落选边缘节点的当前声誉意见：
Figure QLYQS_27
其中，
Figure QLYQS_28
表示落选边缘节点n的当前声誉意见，γ表示新鲜度衰落系数，γ∈[0，1]。
8.根据权利要求1～7中任一项所述的方法，其中，所述根据所述获胜边缘节点的第一深度网络参数、所述落选边缘节点的第二深度网络参数和所述获胜边缘节点的当前声誉意见，确定所述落选边缘节点的第三深度网络参数，包括：
确定所述获胜边缘节点的第一深度网络参数和当前声誉意见的乘积，得到乘积结果；
确定所述乘积结果和所述落选边缘节点的第二深度网络参数的相加之和；以及
将所述相加之和确定为所述落选边缘节点的第三深度网络参数。
9.根据权利要求1～7中任一项所述的方法，其中，所述获胜边缘节点对应的深度网络的损失函数的输出值小于其他所述落选边缘节点对应的深度网络的损失函数的输出值。
10.一种网络参数确定装置，包括：
第一获取模块，用于获取获胜边缘节点的第一深度网络参数，其中，所述第一深度网络参数为所述获胜边缘节点在当前时刻的深度网络参数；
第二获取模块，用于获取多个落选边缘节点的第二深度网络参数，其中，每个所述落选边缘节点具有对应的第二深度网络参数，每个所述第二深度网络参数为所述落选边缘节点在所述当前时刻的深度网络参数，所述获胜边缘节点和所述多个落选边缘节点属于区块链中的节点，其中，深度网络的损失函数的输出值最小的边缘节点确定为所述获胜边缘节点，其他边缘节点确定为所述落选边缘节点；
第一确定模块，用于确定所述获胜边缘节点的当前声誉意见，其中，所述获胜边缘节点的当前声誉意见用于表征所述获胜边缘节点在当前时刻的可信任程度；以及
第二确定模块，用于针对多个所述落选边缘节点中的每个落选边缘节点，根据所述获胜边缘节点的第一深度网络参数、所述落选边缘节点的第二深度网络参数和所述获胜边缘节点的当前声誉意见，确定所述落选边缘节点的第三深度网络参数，其中，所述第三深度网络参数为所述落选边缘节点在下一时刻的深度网络参数。
11.一种区块链的节点，包括：
一个或多个处理器；
存储器，用于存储一个或多个程序，
其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现权利要求1～9中任一项所述的方法。
12.一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器实现权利要求1～9中任一项所述的方法。
CN202011074827.9A 2020-10-09 2020-10-09 网络参数确定方法、装置、区块链的节点及存储介质 Active CN112257863B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011074827.9A CN112257863B (zh) 2020-10-09 2020-10-09 网络参数确定方法、装置、区块链的节点及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011074827.9A CN112257863B (zh) 2020-10-09 2020-10-09 网络参数确定方法、装置、区块链的节点及存储介质

Publications (2)

Publication Number Publication Date
CN112257863A CN112257863A (zh) 2021-01-22
CN112257863B true CN112257863B (zh) 2023-04-07

Family

ID=74241913

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011074827.9A Active CN112257863B (zh) 2020-10-09 2020-10-09 网络参数确定方法、装置、区块链的节点及存储介质

Country Status (1)

Country Link
CN (1) CN112257863B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107636693A (zh) * 2015-03-20 2018-01-26 弗劳恩霍夫应用研究促进协会 针对人工神经网络的相关性分数指派
CN110231990A (zh) * 2019-05-22 2019-09-13 深圳供电局有限公司 基于二次拍卖的区块链资源优化分配方法及装置
CN111260076A (zh) * 2020-01-13 2020-06-09 天津大学 基于区块链的边缘节点训练方法、区块链及存储介质
CN111464335A (zh) * 2020-03-10 2020-07-28 北京邮电大学 一种内生可信网络的服务智能定制方法及系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140172708A1 (en) * 2010-09-16 2014-06-19 Evan V Chrapko Systems and methods for providing virtual currencies
US10674332B2 (en) * 2017-12-01 2020-06-02 Veniam, Inc. Systems and methods for the data-driven and distributed interoperability between nodes to increase context and location awareness in a network of moving things, for example in a network of autonomous vehicles

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107636693A (zh) * 2015-03-20 2018-01-26 弗劳恩霍夫应用研究促进协会 针对人工神经网络的相关性分数指派
CN110231990A (zh) * 2019-05-22 2019-09-13 深圳供电局有限公司 基于二次拍卖的区块链资源优化分配方法及装置
CN111260076A (zh) * 2020-01-13 2020-06-09 天津大学 基于区块链的边缘节点训练方法、区块链及存储介质
CN111464335A (zh) * 2020-03-10 2020-07-28 北京邮电大学 一种内生可信网络的服务智能定制方法及系统

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
"A Reputation Scheme for a blockchain-based Network Cooperative Defense";Andreas Gruhler，等;《2019 IFIP/IEEE symposium on integrated network and service management》;20190520;全文 *
"Incentive assignment in pow and pos hybrid blockchain in pervasive edge environments";yaodong huang，等;《2020 IEEE/ACM 28th International symposium on quality of service》;20201006;全文 *
"Networking Integrated Cloud-Edge-End in IOT: A Blockchain-Assisted Collective Q-Learning Approach";chao qiu，等;《IEEE Internet of Things Journal》;20200707;第8卷(第16期);全文 *
"基于UVM的Cache验证平台的设计与研究";王泽华;《中国优秀硕士学位论文全文数据库信息科技辑》;20200215;全文 *
"基于区块链的车载边缘计算资源优化研究";王思明;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20200215;全文 *

Also Published As

Publication number Publication date
CN112257863A (zh) 2021-01-22

Similar Documents

Publication Publication Date Title
WO2021155706A1 (zh) 利用不平衡正负样本对业务预测模型训练的方法及装置
WO2021238262A1 (zh) 一种车辆识别方法、装置、设备及存储介质
TWI726341B (zh) 樣本屬性評估模型訓練方法、裝置、伺服器及儲存媒體
US10970188B1 (en) System for improving cybersecurity and a method therefor
US10572818B2 (en) Horizontal decision tree learning from very high rate data streams with horizontal parallel conflict resolution
CN112132277A (zh) 联邦学习模型训练方法、装置、终端设备及存储介质
Liu et al. Traffic flow combination forecasting method based on improved LSTM and ARIMA
WO2021180245A1 (zh) 一种服务器、数据处理方法、装置及可读存储介质
US20190392333A1 (en) Adaptive multi-agent cooperative computation and inference
CN114418109A (zh) 微服务架构下联邦学习的节点选择与聚合优化系统及方法
CN112381299A (zh) 一种确定空气质量的方法及装置
Puzanov et al. Deep reinforcement one-shot learning for artificially intelligent classification systems
CN114238658A (zh) 时序知识图谱的链接预测方法、装置及电子设备
US20210287131A1 (en) Machine learning model accuracy fairness
CN115147353B (zh) 缺陷检测模型的训练方法、装置、设备、介质及程序产品
CN112257863B (zh) 网络参数确定方法、装置、区块链的节点及存储介质
CN117474209A (zh) 分析电力与经济社会关联的方法、装置、设备及存储介质
CN116842428A (zh) 一种异常商户分类方法及装置
CN115640852B (zh) 联邦学习参与节点选择优化方法、联邦学习方法及系统
CN116662904A (zh) 数据类型的变异检测方法、装置、计算机设备及介质
CN109873836A (zh) 一种数据的风险评估方法及装置
CN113672911A (zh) 基于区块链的体域网任务卸载方法和系统
CN105827482B (zh) 基于预先随机测试的开放式网络节点信任评估方法
Gropengießer et al. Poster: Processing of Latency-and Deadline-Aware Big Data Approaches at the Edge
CN115031750B (zh) 阻断路段的状态确定方法、装置及计算机程序产品

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant